使用Scipy计算含Numpy叉积函数的Hessian矩阵报错求助

问题原因 #

你遇到的ValueError是因为scipy.differentiate.hessian会向量化传递输入数组：它会把输入x0扩展为形状类似(m, k)的二维数组（m是输入维度，k是批量计算的点数）。此时原函数中x[0:3]会取数组的前3行而非前3个元素，导致叉积计算的维度不符合np.cross的要求（需要2或3维向量，而非二维数组的行切片）。

解决方案1：修改函数适配向量化输入 #

将函数修改为支持二维输入（每行对应一个样本点），确保叉积计算的维度正确：

import numpy as np
from scipy.differentiate import hessian

def func(x):
    # 兼容一维输入（测试点）和二维输入（hessian批量计算）
    if x.ndim == 1:
        x = x.reshape(1, -1)
    # 提取每个样本的前3个和后3个元素
    vec1 = x[:, :3]
    vec2 = x[:, 3:]
    # 计算叉积并对每个样本的结果求和
    return np.sum(np.cross(vec1, vec2), axis=1)

x0 = np.array([1,2,3,4,5,6])
H = hessian(func, x0)
print(H)

解决方案2：使用autograd库更简便计算 #

如果不想修改原函数，可以使用autograd库，它的hessian函数直接支持标量输出的一维输入函数，无需适配向量化：

import autograd.numpy as np
from autograd import hessian

def func(x):
    return np.sum(np.cross(x[:3], x[3:]))

x0 = np.array([1,2,3,4,5,6])
H = hessian(func)(x0)
print(H)

说明 #

• 方案1的核心是让函数能处理scipy hessian传递的二维批量输入，通过切片x[:, :3]和x[:, 3:]获取每个样本的向量，再计算叉积。
• 方案2利用autograd的自动微分机制，无需修改原函数，直接计算hessian，更适合简单场景。

内容的提问来源于stack exchange，提问作者CW279